🔬 RL with Verifiable Rewards, but the Verifier is a Lab — Lila Sciences

Lyla Science 用“AI 科学工厂”自动化做实验，已积累 10 万亿科学 token，模型能跨材料、化学、生物三大领域自主设计实验，甚至提出人类专家都觉得“离谱但有效”的新材料配方。

• Lyla Science 的底层逻辑：AI 进化靠“苦涩教训”（bitter lesson）——只要能大规模扩展的方法，最终都能赢。互联网数据已被榨干，AI 想再进化，得找下一个“互联网级”数据源。
• 他们的答案是“科学实验”：把实验室变成能自动生成数据的“token 工厂”，让 AI 不断自己设计实验、收反馈、再进化。
• 实验室像服务器机房：所有仪器像主板上的设备一样接入一条“总线”，样品可以自动在仪器间流转。能自动化的就全自动，不能自动的就让人手动，但所有操作都变成“API 调用”。
• 不是单纯做自动化：他们不是“自动化极客”，而是“token 生成极客”——目标是让模型能灵活生成各种新实验数据，而不是死磕每一步都全自动。

• 模型能自主设计实验流程：比如基因编辑、材料配方，AI 能零样本（zero-shot）设计出 80% 的实验步骤，而人类专家零样本只能做到 0%。
• 实验流程全都可追溯：每一步都记录下来，模型的“链式思考”过程（chain of thought）和实际实验步骤都能复盘。
• 人类专家做“红线把关”：AI 的建议如果太离谱，实验员可以一键叫停；但他们发现，AI 提出的“看起来蠢”的方案，实际做出来反而成了最优解。
• 安全和浪费怎么控？：他们有专门的 AI 安全团队，实验权限按需开放（比如抗体设计根本不让模型碰气体罐），并用传统实验室安全标准兜底。对“浪费”反而有点鼓励——因为有时“蠢主意”才带来突破。
• 验证和复现很高效：实验失败或结果存疑时，可以一键复现，快速查明原因（比如当天实验室湿度异常），比传统实验更容易追溯和修正。

• 材料、化学、生物全能打：平台能做薄膜、粉末、量子点（电视用的发光材料）、高性能涂层、绿色氢能催化剂等，甚至能让访客指定颜色，AI 现场“炼”出对应的量子点。
• 跨领域迁移是真实存在的：他们发现，模型在小分子药物上的经验，能迁移到金属有机框架材料（比如空气净化、氨气过滤）上，效果比只在单一领域训练的模型还好。
• 模型提出的“离谱配方”成了最佳催化剂：比如在做非铂催化剂时，AI 给出的人类专家觉得“蠢”的组合，实际做出来性能最好。
• 实验能力越强，模型进化越快：每新增一种仪器或实验能力，模型能探索的新领域就指数级扩展，像“硬件和软件一起超速成长”。
• 数据规模和效率：他们已积累 10 万亿级别的科学 reasoning token，模型能在生命科学、化学、材料三大领域打通，且泛化能力远超单领域模型。

• 不是传统 Biotech 跑药物管线：传统生物科技公司做平台只是为了最终押注某个药物资产，而 Lyla 的核心资产是“模型本身”——让 AI 成为科学领域的通用大脑。
• 实验平台是“护城河”：自动化实验平台是数据生成引擎，规模越大、数据越多，模型越聪明，形成正反馈。
• 数据利用效率高：模型见得越多，单一领域所需的数据反而越少，甚至能做到“零样本泛化”——新领域只要和旧领域有点相似，模型就能直接上手。

“我们发现，AI 提出的‘看起来蠢’的实验方案，实际做出来反而成了最优解——人类专家自己都没想到。”

• 做 AI for Science 的，别只盯着单一领域数据：跨领域大模型能迁移知识，泛化能力远超单领域模型，科学数据越杂越值钱。
• 自动化实验室的终极价值不是“省人力”，而是“无限 token 生成”：谁能让 AI 自己设计、执行、验证实验，谁就能持续喂养出更聪明的科学大模型。
• 产品设计上，别迷信“全自动”：有些环节让人来做反而更快，关键是让所有操作都 API 化、数据全留痕，AI 和人协作才是效率最大化。